GPU 礦機常見問題故障排除

電源不穩定

1. 在密集挖礦期間，電壓波動會觸發 GPU 立即關閉。

2. 當所有 GPU 同時運作時，PSU 瓦數運算錯誤會導致電源不足。

3. 12V 導軌分配不足導致輔助插槽上的 PCIe 連結間歇性斷線。

4. 低品質的 ATX 連接器會引入電阻，導致電力傳輸路徑的熱退化。

5. 8 針 CPU 電源線遺失或安裝不當會導致主機板 VRM 在持續負載下不穩定。

GPU 偵測失敗

1. 啟用 CSM 的 BIOS 設定會阻止正確枚舉前兩個插槽之外的 PCIe 裝置。

2. 主機板韌體錯誤導致 PCIe 分叉配置錯誤，導致 GPU 對作業系統不可見。

3. 重複插入 GPU 造成的實體插槽損壞會導致間歇性電氣接觸損失。

4. GPU BIOS 損壞表現為 lspci 輸出中的設備 ID 讀取為零，儘管物理存在。

5. 系統從掛起狀態恢復後，核心級 PCIe 熱插拔處理錯誤會抑制偵測。

冷卻和熱節流

1. GPU散熱器內部積聚灰塵，連續運轉4週內，導熱係數降低40%以上。

2. 風扇曲線配置不當導致結溫超過 92°C 才會觸發節流。

3. 封閉採礦框架內的環境空氣再循環使入口溫度比房間基線高出 18–22°C。

4. 在 75°C+ 不間斷運轉 14 個月後，參考 PCB 上的導熱膏開始退化。

5. GPU 記憶體連接感測器因相鄰 VRM 電路的電磁幹擾而報告錯誤的高讀數。

驅動程式和內核衝突

1. NVIDIA 驅動程式版本 535.161.07 引入了 Linux 6.8 核心下多 GPU 上下文切換延遲的回歸。

2. 像 nvidia-peermem 這樣的樹外核心模組在 initramfs 重新產生事件後無法自動重新載入。

3. Xorg 伺服器初始化幹擾無頭運算模式，導致 GPU 0 上的 CUDA 上下文失敗。

4. 安全啟動強制執行會阻止 RTX 4090 D 型號上記憶體訓練所需的未簽署 GPU 韌體 blob。

5. systemd-logind 服務在會話清理期間嘗試 GPU 訪問，鎖定設備節點並阻止礦工重新啟動。

網路和池通訊錯誤

1. 當挖礦軟體無法解析包含非 ASCII 字元的擴展作業 ID 時，會發生 Stratum v1 協定逾時。

2. 容器化礦工中的 DNS 解析失敗會導致持續的池重新連接循環，而無需使用後備 IP。

3. iptables 規則阻止臨時連接埠範圍，並阻止提交確認到達本地礦工守護程式。

4. TLS 憑證固定不符會中斷與使用在會話中輪替的 Let's Encrypt 通配符憑證的池的連線。

5. 當 NIC RX 環形緩衝區在網路擁塞突發期間溢位時，基於 UDP 的層實作會默默地丟棄共用。

常見問題解答

Q：為什麼 nvidia-smi 顯示所有 GPU 的功耗均為 0W，即使它們正在積極挖礦？答：當 GPU 的功率感測器韌體因 VBIOS 損壞或驅動程式載入的功率限製表不匹配而無法初始化時，就會發生這種情況。

Q：M.2 NVMe 和 GPU 插槽之間的 PCIe 通道共用會導致算力不穩定嗎？答：是的 - 共享根聯合體仲裁會引入可變延遲峰值，從而破壞一致的內核啟動時序，直接使雙 M.2 主機板上的有效哈希率降低高達 7.3%。

Q：什麼原因導致「GPU 未找到」錯誤，特別是在內核更新之後、重新啟動之前？答：核心模組簽名要求隨版本的不同而變化；先前加載的 nvidia.ko 仍然駐留，但拒絕綁定新設備，直到完全模組重新加載，這僅在重新啟動或手動 rmmod/insmod 週期時發生。

Q：為什麼有些 GPU 在監控工具中報告的溫度正確，但風扇速度不正確？答：某些 AIB 合作夥伴卡上的風扇控制器 IC 使用開源感測器驅動程式不支援的專有 I2C 命令集，導致讀取逾時被解釋為零 RPM。